ml_tracker

Sistema de gestión de experimentos de Machine Learning hecho con Django + Django REST Framework. Pensado como proyecto base para un training introductorio de Data Science.

Setup en 5 comandos

cd ml_tracker/backend
python -m venv .venv &&source .venv/bin/activate
pip install -r requirements.txt
python manage.py migrate
python manage.py seed
python manage.py runserver

Tip: para el admin podés crear un superuser con python manage.py createsuperuser.

Estructura del proyecto

ml_tracker/
├── backend/
│ ├── config/ # Configuración del proyecto Django (settings, urls, wsgi/asgi)
│ ├── experiments/ # App de dominio: modelos, serializers, views, admin, urls
│ │ └── management/commands/seed.py # Datos de demo
│ ├── manage.py # CLI de Django (migrate, runserver, seed, etc.)
│ └── requirements.txt # Dependencias Python
├── docs/
│ └── GUIA_DEMO.md # Guion de la demo en vivo (15 min, 7 pasos)
└── README.md

Carpeta / archivo	Para qué sirve
backend/config/	Configuración global: settings, URLs raíz, entry points WSGI/ASGI.
backend/experiments/	App de dominio. Acá viven Project, Experiment y Run.
backend/experiments/models.py	Definición de las tablas en la base.
backend/experiments/serializers.py	JSON ↔ modelos Django (List vs Detail).
backend/experiments/views.py	Endpoints REST (ViewSets) + action summary.
backend/experiments/admin.py	Admin de Django para cargar/inspeccionar datos.
backend/experiments/urls.py	Rutas de la API generadas con DefaultRouter.
backend/experiments/management/commands/seed.py	Comando python manage.py seed para datos demo.
docs/GUIA_DEMO.md	Guion paso a paso para la demo del training.

Endpoints de la API

Método	Endpoint	Descripción
GET	/api/projects/	Lista de proyectos.
POST	/api/projects/	Crear un proyecto.
GET	/api/projects/{id}/	Detalle de un proyecto.
PUT/PATCH	/api/projects/{id}/	Actualizar un proyecto.
DELETE	/api/projects/{id}/	Borrar un proyecto.
GET	/api/experiments/	Lista de experimentos (serializer liviano).
POST	/api/experiments/	Crear experimento (espera project_id).
GET	/api/experiments/{id}/	Detalle con proyecto anidado.
PUT/PATCH	/api/experiments/{id}/	Actualizar experimento.
DELETE	/api/experiments/{id}/	Borrar experimento.
GET	/api/runs/	Lista de runs (serializer liviano).
POST	/api/runs/	Crear run (espera experiment_id).
GET	/api/runs/{id}/	Detalle del run con experimento anidado.
PUT/PATCH	/api/runs/{id}/	Actualizar run (status, métricas, etc.).
DELETE	/api/runs/{id}/	Borrar run.
GET	/api/runs/{id}/summary/	Resumen: experimento + algoritmo + métricas.
GET	/admin/	Panel de administración.

Datos de demo

python manage.py seed carga:

• 2 proyectos: Churn Prediction y Demand Forecasting.
• 3 experimentos con distintos algoritmos: Random Forest, XGBoost y Linear Regression.
• 5 runs con distintos status y métricas realistas (accuracy, f1_score, roc_auc, rmse, mae, r2).